Counterfactually Comparing Abstaining Classifiers
Carnegie Mellon University（卡内基梅隆大学）；University of Michigan（密歇根大学）
针对黑箱弃权（不执行）分类器评估缺乏原则性方法的问题，提出将弃权视为缺失数据，定义反事实得分并明确其可识别条件，开发非参数双重稳健估计方法，经模拟与真实数据实验验证。
2023-11-09 cs.AI cs.LG stat.ME
A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty
Loughborough University（拉夫堡大学）；Defence Medical Rehabilitation Centre（国防医疗康复中心）
针对分类器不确定性解释缺乏模型无关且易理解方法的问题，提出类别无关的元启发式复杂度度量，并通过元学习框架估计误分类风险，效果优于预测概率。
2023-04-20 cs.AI cs.LG
SIFT: Robust Meta-Faithfulness Verification of Chain-of-Thought Reasoning Under Distribution Shift
Istanbul Technical University（伊斯坦布尔理工大学）；Pabna University of Science and Technology（帕布纳科技大学）；American International University-Bangladesh（美国国际大学-孟加拉）；Deakin University（迪肯大学）；North South University（南北大学）
针对思维链忠实性检测器在分布偏移下自身不稳定的问题，提出元忠实性原理及SIFT检测器，证明主要瓶颈是采样随机性而非偏移，SIFT可减少64%的不变性违反。
2026-10-06 cs.CL cs.LG
Playing it Safe: Adversarial Robustness with an Abstain Option
University of Maryland（马里兰大学）
我们探讨对抗鲁棒性的设置中，它是可以接受的分类弃权-也就是说，输出没有类-对对抗的例子。对抗性示例是对分类器的正常输入的小扰动，导致分类器给出不正确的输出;它们对机器学习系统提出了安全性和安全性挑战。在许多安全关键型应用中，分类器放弃对抗性示例比为它们提供不正确的输出成本更低。首先，我们引入了一个新的目标函数的对抗性鲁棒性与弃权选项，其特征在于一个明确的鲁棒性和准确性之间的权衡。然后，我们提出了一个简单的基线，其中一个adversarially-trained分类器弃权的决策边界，我们理论和实验评估的一定距离内的所有输入。最后，我们提出了联合弃权鲁棒性学习（CARL），一种联合学习分类器和它应该弃权的输入空间区域的方法。我们探讨了在弃权设置中对CARL的PGD和DeepFool对抗攻击的不同变化。通过对这些攻击的评估，我们证明了使用CARL进行训练会产生比基线更准确，更强大和更有效的分类器。
2019-11-25 cs.AI cs.LG stat.ML
Adversarial Instance Generation and Robust Training for Neural Combinatorial Optimization with Multiple Objectives
LIACS, Leiden University, Leiden, The Netherlands（莱顿大学LIACS研究所，莱顿，荷兰）；Eindhoven University of Technology, Eindhoven, The Netherlands（埃因霍温理工大学，埃因霍温，荷兰）
提出面向多目标组合优化问题的偏好条件深度强化学习鲁棒性框架，通过偏好对抗攻击生成困难实例并量化影响，结合硬度感知偏好选择的对抗训练提升泛化性，在MOTSP、MOCVRP、MOKP上验证了攻击与防御的有效性。
2026-06-06 cs.AI cs.LG
Neural Reasoning for Robust Instance Retrieval in $\mathcal{SHOIQ}$
Heinz Nixdorf Institute, Paderborn University（帕德博恩大学海因茨·尼克斯多夫研究所）
针对现有描述逻辑推理器对现实知识库中不一致和错误数据缺乏稳健性的问题，提出基于嵌入的神经推理器 EBR，仅需检索原子概念和存在限制的实例即可近似任意概念的实例集，实验证明其对缺失和错误数据更稳健。
2025-10-23 cs.AI cs.LG
DiffSmooth: Certifiably Robust Learning via Diffusion Models and Local Smoothing
UIUC（伊利诺伊大学厄巴纳-香槟分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；Carnegie Mellon University（卡内基梅隆大学）；Arizona State University（亚利桑那州立大学）
针对鲁棒训练平滑模型的认证鲁棒性提升问题，提出结合扩散模型对抗净化与局部平滑的DiffSmooth流程，理论支撑充分，在多个数据集上超越8个基线，刷新ImageNet认证准确率SOTA。
2023-08-28 cs.AI cs.LG
Collaboration! Towards Robust Neural Methods for Routing Problems
Nanyang Technological University（南洋理工大学）；Eindhoven University of Technology（埃因霍温理工大学）；Singapore Management University（新加坡管理大学）；Shandong University（山东大学）
针对现有神经车辆路径问题方法鲁棒性不足的问题，提出基于集成的协作神经框架CNF，通过协作式对抗训练与神经路由器分配实例，兼具抗攻击能力与分布外泛化性。
2024-10-07 cs.AI cs.LG
Robust Multi-instance Learning with Stable Instances
University of South Australia（南澳大利亚大学）
多实例学习（MIL）处理数据由一组袋子表示的任务，每个袋子由一组实例描述。与标准的监督学习不同，只观察袋子标签，而每个实例的标签对学习者不可用。以前的MIL研究通常遵循i.i.d.假设训练样本和测试样本独立地取自同一分布。然而，这种假设在现实世界的应用中经常被违反。已经努力通过利用训练样本和测试样本之间的密度比对训练数据进行重要性加权来解决分布变化。不幸的是，模型通常需要在没有看到测试分布的情况下进行训练。在本文中，我们提出了可能的第一个框架，用于解决分布变化MIL不需要访问未标记的测试数据。我们的框架建立在确定一个新的连接MIL和潜在的结果框架之间的因果效应估计。在合成分布变化数据集、具有合成分布偏差的真实数据集和真实分布偏差的图像分类数据集上的实验结果验证了该方法的有效性。
2021-04-26 cs.AI cs.LG stat.ML
Evaluating the Robustness of Deep-Learning Algorithm-Selection Models by Evolving Adversarial Instances
Edinburgh Napier University（爱丁堡龙比亚大学）
针对深度循环网络作为装箱领域算法选择器的鲁棒性未知问题，本研究用演化算法生成对抗扰动样本，发现最高56%的原始实例可被攻击，同时揭示了训练实例脆弱性及影响因素，还为鲁棒模型训练提供了新数据。
2024-06-24 cs.AI cs.LG cs.NE
Learnable and Instance-Robust Predictions for Online Matching, Flows and Load Balancing
Carnegie Mellon University（卡内基梅隆大学）；Zhejiang University（浙江大学）
我们提出了一个新的模型，要求他们正式学习和实例强大的预测增强算法。可学习性确保可以从合理数量的过去数据中有效地构建预测。实例鲁棒性确保预测对于问题输入中的适度变化是鲁棒的，其中变化的度量可以是特定于问题的。实例鲁棒性坚持作为变化的函数的性能的平滑降级。理想情况下，性能永远不会比最坏情况下的边界差。这也使得预测能够客观地进行比较。我们设计了在线算法，预测网络流量分配问题和限制分配最大完工时间最小化。对于这两个问题，建立了两个关键属性：高质量的预测可以从先前实例的小样本中学习，并且这些预测对于随着底层问题实例的变化而平滑降级的错误是鲁棒的。
2021-07-02 cs.DS cs.LG
Benchmarking the Robustness of Instance Segmentation Models
Virginia Tech（弗吉尼亚理工大学）；Bilkent University（比尔肯特大学）
本文基准测试实例分割模型在图像损坏和域外数据上的鲁棒性与泛化性，发现组归一化提升鲁棒性、批量归一化提升泛化性，且多阶段检测器适应不同图像尺寸。
2025-03-28 cs.AI cs.CV cs.LG
Robust Federated Training via Collaborative Machine Teaching using Trusted Instances
Symantec Research Labs（赛门铁克研究实验室）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
联邦学习使用代理托管的本地数据执行分布式模型训练。它只共享模型参数更新，以便在服务器上进行迭代聚合。虽然它是隐私保护的设计，联邦学习是容易受到本地代理的噪音腐败，如在以前的研究对抗数据投毒威胁联邦学习系统。即使是一个噪声破坏的代理也会使模型训练产生偏差。在我们的工作中，我们提出了一个具有多个分布式教师的协作和隐私保护的机器教学范例，以提高联邦训练过程对本地数据损坏的鲁棒性。我们假设每个本地代理（教师）都有资源来验证一小部分可信实例，但这本身可能不足以进行学习。在建议的协作机器教学方法中，这些可信的实例指导分布式代理共同选择一个紧凑的，而信息丰富的训练子集，从他们自己托管的数据。同时，智能体学习将有限幅度的变化添加到所选择的数据实例中，以提高联邦训练模型的测试性能，尽管训练数据损坏。玩具和真实数据上的实验表明，我们的方法可以有效地识别训练集错误，并建议适当的修改标签。我们的算法是迈向可信的机器学习的一步。
2019-05-08 cs.AI cs.LG stat.ML
Improved Adversarial Training Through Adaptive Instance-wise Loss Smoothing
King’s College London（伦敦国王学院）
深度神经网络很容易被欺骗，通过对抗性扰动（人类无法感知的人工噪声）破坏输入来做出错误的预测。到目前为止，对抗性训练是对抗这种对抗攻击最成功的防御手段。这项工作的重点是改进对抗训练，以提高对抗鲁棒性。我们首先从实例的角度分析了对抗性脆弱性在对抗性训练过程中的演变。我们发现，在训练过程中，通过牺牲相当大比例的训练样本来更容易受到对抗攻击，从而导致数据中对抗脆弱性的不均匀分布，从而实现了对抗损失的整体减少。这种“不均匀的脆弱性”在几种流行的健壮训练方法中普遍存在，更重要的是，与对抗训练中的过度拟合有关。基于这一观察，我们提出了一种新的对抗训练方法：实例自适应平滑增强对抗训练（ISEAT）。它以一种自适应的、特定于实例的方式联合平滑输入和减肥景观，以增强具有较高对抗脆弱性的样本的鲁棒性。大量的实验表明，我们的方法优于现有的防御方法。值得注意的是，我们的方法，结合最新的数据增强和半监督学习技术，实现了最先进的鲁棒性对$\ell_{\infty}$范数约束攻击CIFAR 10的59.32%的宽ResNet 34 -10没有额外的数据，和61.55%的宽ResNet 28 -10与额外的数据。代码可在https://github.com/TreeLLi/Instance-adaptive-Smoothness-Enhanced-AT上获得。
2023-03-27 cs.AI cs.CV cs.LG
SoftPQ: Robust Instance Segmentation Evaluation via Soft Matching and Tunable Thresholds
Harvard Medical School（哈佛医学院）
SoftPQ提出一种基于软匹配和可调IoU阈值的实例分割评估指标，将评估视为连续体，增强对结构性错误的稳健性，提供更平滑、更具信息量的反馈，优于现有指标。
2025-05-27 cs.AI cs.CV cs.LG
Balancing Bias and Variance for Active Weakly Supervised Learning
Rochester Institute of Technology（罗切斯特理工学院）
作为一种广泛使用的弱监督学习方案，现代多示例学习（MIL）模型在包级别上具有竞争力的性能。然而，实例级预测，这是必不可少的许多重要的应用程序，仍然在很大程度上不能令人满意。我们建议进行新的主动深度多实例学习，对信息实例的一小部分进行采样以进行注释，旨在显着提高实例级预测。设计了一个方差正则化的损失函数来平衡实例级预测的偏差和方差，旨在有效地适应MIL中高度不平衡的实例分布和其他基本挑战。而不是直接最小化的方差正则化的损失是非凸的，我们优化的分布鲁棒袋级的可能性作为其凸代理。鲁棒袋似然提供了一个很好的近似的方差为基础的MIL损失的强有力的理论保证。它还自动平衡偏差和方差，从而有效地识别潜在的积极实例以支持主动采样。鲁棒的袋似然性可以自然地与深度架构集成，以支持使用小批量正负袋对的深度模型训练。最后，一种新的P-F抽样函数的开发，结合概率向量和预测的实例得分，通过优化的强大的袋似然。通过利用关键的MIL假设，采样函数可以探索最具挑战性的袋子，并有效地检测它们的正实例进行注释，这显著提高了实例级预测。在多个真实世界数据集上进行的实验清楚地证明了所提出的模型所实现的最先进的实例级预测。
2022-06-12 cs.LG
Optimized Instance Alteration for Explaining and Assessing Robustness of Classifiers
The Pennsylvania State University（宾夕法尼亚州立大学）
提出统一方法诊断黑盒分类器错误分类与评估鲁棒性，核心是含XA - \(L_0\)惩罚和分类器损失目标的优化框架，还引入TOR - 混淆矩阵量化鲁棒性，在多数据集验证，可兼顾可解释性与鲁棒性评估。
2026-07-09 cs.LG stat.ME
Towards More Efficient, Robust, Instance-adaptive, and Generalizable Sequential Decision making
The Chinese University of Hong Kong（香港中文大学）
本研究面向不确定性下的数据驱动序列决策，针对模型误设、对抗扰动、实例依赖性能及新环境泛化等挑战，发展高效、鲁棒、实例自适应且可泛化的RL与多臂老虎机算法。
2026-10-01 cs.LG
Robustness Evaluation and Adversarial Training of an Instance Segmentation Model
General Motors Company（通用汽车公司）
为了评估非分类器模型的鲁棒性，我们提出了概率局部等价，基于随机平滑的概念，作为一种定量评估任意函数的鲁棒性的方法。此外，为了了解对抗训练对非分类器的影响，并研究在不降低训练分布性能的情况下可以获得的鲁棒性水平，我们将Fast is Better than Free对抗训练与TRADES鲁棒损失一起应用于实例分割网络的训练。在这个方向上，我们能够在TuSimple车道检测挑战中实现0.85的对称最佳骰子得分，优于标准训练网络的0.82得分。此外，我们能够在操作输入上获得0.49的F测量值，而标准训练网络的分数为0。我们证明了概率局部等价能够成功区分标准训练模型和逆向训练模型，提供了逆向训练模型鲁棒性提高的另一种观点。
2022-06-02 cs.CV cs.LG
Doubly Robust Instance-Reweighted Adversarial Training
The Ohio State University（俄亥俄州立大学）；University of Texas at Austin（德克萨斯大学奥斯汀分校）
提出双重稳健实例重加权对抗训练框架，通过分布鲁棒优化和KL散度正则化获取重要性权重，提升最脆弱样本鲁棒性并具有理论收敛保证。
2023-08-01 cs.LG stat.ML
Becoming More Robust to Label Noise with Classifier Diversity
Brigham Young University（杨百翰大学）
在机器学习社区中众所周知，类噪声可能（并且经常）不利于诱导数据的模型。许多当前的方法使用单个的、通常有偏差的测量来确定实例是否有噪声。有偏差的度量可能在某些数据集上工作得很好，但在更广泛的数据集上也可能不太有效。在本文中，我们提出了噪声识别使用分类器多样性（NICD）-一种方法，用于获得一个更少的偏见噪声测量，并将其集成到学习过程。为了减少噪声度量的偏差，NICD选择了一组不同的分类器（基于它们对新实例的预测）来确定哪些实例是有噪声的。我们研究NICD作为一种技术，用于过滤，实例加权，并选择一个投票合奏的基础分类。我们比较NICD与其他几种噪声处理技术，不考虑分类器的多样性，一组54个数据集和5个学习算法。NICD显著提高了分类准确性，并且在广泛的数据集和学习算法中有效。
2014-03-07 cs.AI cs.LG stat.ML
Active Robust Learning
Ferdowsi University of Mashhad（菲尔多西大学）
在学习算法的许多实际应用中，未标记的数据是廉价和丰富的，而标记的数据是昂贵的。主动学习算法的开发是为了以更低的成本获得更好的性能。在主动学习算法中，通常使用代表性和信息性。最近先进的主动学习方法考虑了这两个标准。尽管有大量的文献，但很少有主动学习方法考虑噪声实例，即标记噪声和离群值实例。同时，这些方法在计算代表性和信息量时没有考虑准确性。基于这些措施的不准确性和不考虑噪声的情况下，是一个硬币的两个方面的想法，是内在相关的，提出了一个新的损失函数。这种新的损失函数有助于减少噪声实例的影响，同时减少偏差。我们将“实例复杂性”定义为学习问题实例复杂性的新概念。证明了数据中的噪声实例（如果有的话）是具有最大实例复杂度的实例。在此损失函数的基础上，提出了一种新的分类器，称为“简单-复杂分类器”。在这个分类器中，有一个简单的函数和一个复杂的函数，复杂的函数负责选择有噪声的实例。由此产生的优化问题的学习和主动学习是高度非凸的，非常具有挑战性。为了解决这个问题，提出了一个凸松弛。
2016-08-25 cs.LG math.OC
DRAUC: An Instance-wise Distributionally Robust AUC Optimization Framework
SKLOIS, Institute of Information Engineering, CAS（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Key Lab. of Intelligent Information Processing, Institute of Computing Tech., CAS（中国科学院计算技术研究所）；School of Computer Science and Tech., University of Chinese Academy of Sciences（中国科学院大学计算机科学与技术学院）；School of Cyber Science and Tech., Shenzhen Campus of Sun Yat-sen University（中山大学深圳校区网络空间安全学院）；BDKM, University of Chinese Academy of Sciences（中国科学院大学BDKM）
针对AUC优化与分布鲁棒优化直接结合存在求解困难及标签偏差问题，提出实例级分布鲁棒AUC代理损失与分布感知DRAUC框架，理论上证明泛化差距随训练集增大缩小，实验验证了方法有效性。
2023-11-06 cs.LG
Towards Robust Real-Time Hardware-based Mobile Malware Detection using Multiple Instance Learning Formulation
针对实时硬件恶意软件检测中良性片段被误标记导致假阳性增加的问题，本研究提出RT-HMD检测器，利用多示例学习框架和恶意判别得分细化时间序列表示，有效识别局部恶意行为，在保持召回率的同时提升了5%的精确率。
2024-04-19 cs.CR cs.LG
Constrained Instance and Class Reweighting for Robust Learning under Label Noise
Google Research（谷歌研究院）
深度神经网络在监督学习中表现出令人印象深刻的性能，这是由于它们能够很好地适应所提供的训练数据。然而，它们的性能在很大程度上取决于训练数据的质量，并且在存在噪声的情况下经常会降低。我们提出了一个原则性的方法来处理标签噪声，目的是为单个实例和类标签分配重要性权重。我们的方法通过制定一类约束优化问题，这些重要性权重产生简单的封闭形式更新。所提出的优化问题是解决每个小批量，这消除了存储和更新整个数据集的权重的需要。我们的优化框架还提供了一个理论的角度对现有的标签平滑算法，以解决标签噪声（如标签自举）。我们在几个基准数据集上评估了我们的方法，并在存在标签噪声的情况下观察到相当大的性能增益。
2021-11-09 cs.LG stat.ML
A robust approach for deep neural networks in presence of label noise: relabelling and filtering instances during training
University of Granada（格拉纳达大学）；Andalusian Research Institute in Data Science and Computational Intelligence（安达卢西亚数据科学与计算智能研究所）
深度学习在各种任务中的表现优于其他机器学习算法，因此，它被广泛使用。然而，与其他机器学习算法一样，深度学习，特别是卷积神经网络（CNN），在数据集存在标签噪声时表现更差。因此，开发有助于训练深度网络并将其推广到无噪声测试集的算法非常重要。在本文中，我们提出了一种针对标签噪声的鲁棒训练策略，称为RAFNI，可用于任何CNN。该算法基于骨干神经网络在训练过程中做出的预测及其概率来过滤和重新标记训练集的实例。这样，该算法就提高了CNN自身的泛化能力。RAFNI由三个机制组成：两个过滤实例的机制和一个重新标记实例的机制。此外，它不假设噪声率是已知的，也不需要估计。我们使用几种大小和特征的不同数据集来评估我们的算法。我们还将其与使用CIFAR10和CIFAR100基准测试的最先进模型在不同类型和速率的标签噪声下进行了比较，发现RAFNI在大多数情况下都取得了更好的结果。
2022-07-18 cs.LG cs.NE
A Nested Bi-level Optimization Framework for Robust Few Shot Learning
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
模型不可知元学习（MAML）是一种流行的基于梯度的元学习框架，它假设每个任务或实例对元学习者的贡献是相等的。因此，它无法解决少样本学习中基类和新类之间的域转移。在这项工作中，我们提出了一种新的强大的元学习算法，NestedMAML，它学会为训练任务或实例分配权重。我们将权重视为超参数，并使用嵌套双层优化方法中的一小组验证任务对其进行迭代优化（与MAML中的标准双层优化相反）。然后，我们在元训练阶段应用NestedMAML，这涉及（1）从与元测试任务分布不同的分布中采样的几个任务，或者（2）带有噪声标签的一些数据样本。在合成和真实世界数据集上的大量实验表明，NestedMAML有效地减轻了“不需要的”任务或实例的影响，从而大大改善了最先进的鲁棒元学习方法。
2021-12-01 cs.LG
A robust and lightweight deep attention multiple instance learning algorithm for predicting genetic alterations
University of Science and Technology of China（中国科学技术大学）；The Fourth Affiliated Hospital of Anhui Medical University（安徽医科大学第四附属医院）；Genmab Inc.（Genmab公司）
基于全切片数字病理学图像（WSIs）的深度学习模型在预测分子生物标志物方面越来越受欢迎。基于实例的模型已经成为使用WSI预测遗传改变的主流策略，尽管已经针对其他数字病理学应用提出了基于袋的模型以及基于自注意机制的算法。本文提出了一种新的基于注意力的多实例突变学习（AMIML）模型来预测基因突变。AMIML由连续的1-D卷积层、解码器和剩余权重连接组成，以促进进一步集成轻量级注意力机制来检测最具预测性的图像块。使用来自癌症基因组图谱（TCGA）研究（UCEC，BRCA，GBM和KIRC）中四个癌症队列的24个临床相关基因的数据，我们将AMIML与一个流行的基于实例的模型和四个最近发表的基于袋的模型（例如，CHOWDER、HE 2 RNA等）。AMIML表现出出色的鲁棒性，不仅在绝大多数测试基因（24个中的17个）中优于所有五种基线算法，而且在其他七个基因中也提供了接近最佳的性能。相反，基线公布的算法的性能在不同的癌症/基因中有所不同。此外，与已发表的遗传改变模型相比，AMIML在预测广泛的基因（例如，KIRC的KMT 2C、TP 53和SETD 2; BRCA的ERBB 2、BRCA 1和BRCA 2; UCEC的JAK 1、POLE和MTOR），以及其他临床相关基因突变的出色预测模型，这些在当前文献中尚未报道。此外，通过灵活和可解释的基于注意力的MIL池机制，AMIML可以进一步归…
2022-05-31 cs.AI cs.CV cs.LG
Stress-Testing Neural Network Verifiers with Provably Robust Instances
Department of Statistics & Data Science, University of California, Los Angeles（统计与数据科学系，加州大学洛杉矶分校）；Department of Mathematics, University of California, Los Angeles（数学系，加州大学洛杉矶分校）；Max Planck Institute for Mathematics in the Sciences, Leipzig（科学数学研究所，莱比锡）
本文提出了一种生成具有已知真实稳健标签的验证实例的框架，揭示了现有验证器的数值容忍度问题和实现错误，并引入了验证难度轮廓以系统研究验证器失败模式，评估了五种最先进的验证器并展示了不同实例对验证流程不同方面的压力测试。
2026-05-16 cs.LG cs.LO math.OC
Data-driven Prediction of Relevant Scenarios for Robust Combinatorial Optimization
University of Siegen（锡根大学）；University of Amsterdam（阿姆斯特丹大学）
研究了离散不确定性组合最优化问题的迭代法。我们提出了一种基于机器学习的启发式方法来确定提供强下界的起始场景。为此，我们设计维度无关的功能和训练随机森林分类器上的小尺寸的情况下。实验表明，我们的方法提高了解决方案的过程中包含在训练集中的更大的实例，也提供了一个功能的重要性分数，让洞察场景属性的作用。
2022-12-23 cs.LG math.OC
From Correlation to Causation: Max-Pooling-Based Multi-Instance Learning Leads to More Robust Whole Slide Image Classification
UniSA STEM, University of South Australia（南澳大利亚大学STEM学院）；School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Key Lab. of Computer Network and Information Integration (Southeast University), MoE, China（计算机网络与信息集成重点实验室（东南大学），教育部，中国）；School of Information and Physical Sciences, The University of Newcastle（新castle大学信息与物理科学学院）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
本文提出FocusMIL，通过结合最大池化与变分信息瓶颈，改进多实例学习以更稳健地处理整张滑动图像分类任务。
2025-12-05 cs.CV cs.LG
Efficient Point-to-Subspace Query in $\ell^1$ with Application to Robust Object Instance Recognition
Columbia University（哥伦比亚大学）
出于视觉任务，如鲁棒的人脸和物体识别，我们考虑以下一般问题：给定一个集合的低维线性子空间在高维环境（图像）空间，和一个查询点（图像），有效地确定最近的子空间查询$\ell^1$距离。与需要大规模线性规划的朴素穷举搜索相比，我们证明了一个简单的两阶段算法可以大大减少计算负担：（1）通过随机柯西矩阵将查询和数据库子空间投影到低维空间，并解决小规模距离计算（线性规划）在投影空间中定位最接近的候选者;（2）在（1）的独立重复之后，在候选者很少的情况下，回到高维空间并执行穷举搜索。为了以非平凡概率保持最近子空间的同一性，投影维数通常是子空间维数乘以子空间数目的对数的低阶多项式（定理2.1）。降低维数，因此复杂性，使所提出的算法特别相关的视觉应用，如鲁棒的人脸和对象实例识别，我们的经验调查。
2014-03-06 cs.CV cs.LG stat.ML
